基于函數(shù)逼近的強化學習與動態(tài)規(guī)劃

目 錄
第　1章 概述　1
1．1　動態(tài)規(guī)劃與強化學習問題　2
1．2　動態(tài)規(guī)劃與強化學習中的逼近　5
1．3　關于本書　7
第　2章 動態(tài)規(guī)劃與強化學習介紹　9
2．1　引言　9
2．2　馬爾可夫決策過程　12
2．2．1　確定性情況　12
2．2．2　隨機性情況　16
2．3　值迭代　20
2．3．1　基于模型的值迭代　20
2．3．2　模型無關的值迭代與探索的必要性　25
2．4　策略迭代　27
2．4．1　基于模型的策略迭代　28
2．4．2　模型無關的策略迭代　33
2．5　策略搜索　35
2．6　總結與討論　38
第3章　大規(guī)模連續(xù)空間中的動態(tài)規(guī)劃與強化學習　40
3．1　介紹　40
3．2　大規(guī)模連續(xù)空間中近似的必要性　43
3．3　近似框架　45
3．3．1　帶參近似　45
3．3．2　無參近似　48
3．3．3　帶參與無參逼近器的比較　49
3．3．4　附注　50
3．4　近似值迭代　51
3．4．1　基于模型的帶參近似值迭代算法　51
3．4．2　模型無關的帶參近似值迭代算法　54
3．4．3　無參近似值迭代算法　58
3．4．4　非擴張近似的作用及收斂性　59
3．4．5　實例：用于直流電機的近似Q值迭代　62
3．5　近似策略迭代　67
3．5．1　用于近似策略評估的類值迭代算法　68
3．5．2　基于線性帶參近似的模型無關策略評估　70
3．5．3　基于無參近似的策略評估　80
3．5．4　帶回滾的基于模型的近似策略評估　80
3．5．5　策略改進與近似策略迭代　81
3．5．6　理論保障　84
3．5．7　實例：用于直流電機的最小二乘策略迭代　86
3．6　自動獲取值函數(shù)逼近器　90
3．6．1　基函數(shù)最優(yōu)化方法　91
3．6．2　基函數(shù)構造　93
3．6．3　附注　95
3．7　近似策略搜索　95
3．7．1　策略梯度與行動者-評論家算法　96
3．7．2　梯度無關的策略搜索　101
3．7．3　實例：用于直流電機問題的梯度無關策略搜索　103
3．8　近似值迭代、近似策略迭代及近似策略搜索算法的比較　106
3．9　總結與討論　108
第4章　基于模糊表示的近似值迭代　110
4．1　引言　110
4．2　模糊Q值迭代　112
4．2．1　模糊Q值迭代的近似和投影映射　112
4．2．2　同步和異步模糊Q值迭代　116
4．3　模糊Q值迭代的分析　119
4．3．1　收斂性　119
4．3．2　一致性　126
4．3．3　計算復雜度　131
4．4　優(yōu)化隸屬度函數(shù)　132
4．4．1　隸屬度函數(shù)優(yōu)化的一般方法　132
4．4．2　交叉熵優(yōu)化　133
4．4．3　基于交叉熵隸屬度函數(shù)優(yōu)化的模糊Q值迭代　135
4．5　實驗研究　137
4．5．1　直流電機：收斂性和一致性研究　137
4．5．2　雙連桿機械臂：動作插值的效果以及與擬合Q值迭代的比較　142
4．5．3　倒立擺：實時控制　146
4．5．4　過山車：隸屬度函數(shù)優(yōu)化的效果　149
4．6　總結與討論　152
第5章　用于在線學習和連續(xù)動作控制的近似策略迭代　154
5．1　引言　154
5．2　最小二乘策略迭代的概述　155
5．3　在線最小二乘策略迭代　157
5．4　使用先驗知識的在線LSPI　161
5．4．1　使用策略近似的在線LSPI　161
5．4．2　具有單調策略的在線LSPI　162
5．5　采用連續(xù)動作、多項式近似的LSPI　165
5．6　實驗研究　167
5．6．1　用于倒立擺的在線LSPI　167
5．6．2　用于雙連桿機械臂的在線LSPI　178
5．6．3　使用直流電機先驗知識的在線LSPI　181
5．6．4　在倒立擺中使用帶有連續(xù)動作逼近器的LSPI　183
5．7　總結與討論　187
第6章　基于交叉熵基函數(shù)優(yōu)化的近似策略搜索　189
6．1　介紹　189
6．2　交叉熵優(yōu)化方法　190
6．3　交叉熵策略搜索　192
6．3．1　一般方法　192
6．3．2　基于徑向基函數(shù)的交叉熵策略搜索　197
6．4　實驗研究　199
6．4．1　離散時間二重積分　199
6．4．2　自行車平衡　206
6．4．3　HIV傳染病控制的計劃性間斷治療　212
6．5　總結與討論　215
附錄A　極端隨機樹　217
附錄B　交叉熵方法　221
縮略語　227
參考文獻　232